Ultralytics Tarafından Desteklenen Modeller

Ultralytics'in model dokümantasyonuna hoş geldiniz! Nesne tespiti, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve çoklu nesne takibi gibi belirli görevlere göre uyarlanmış çok çeşitli modeller için destek sunuyoruz. Model mimarinize Ultralytics'e katkıda bulunmakla ilgileniyorsanız, Katkıda Bulunma Kılavuzumuza göz atın.

Öne Çıkan Modeller

İşte desteklenen temel modellerden bazıları:

1. YOLOv3: YOLO model ailesinin üçüncü yinelemesi, aslen Joseph Redmon tarafından geliştirilmiş olup, verimli gerçek zamanlı nesne tespit yetenekleriyle bilinir.
2. YOLOv4: Alexey Bochkovskiy tarafından 2020'de yayınlanan YOLOv3'e darknet tabanlı bir güncelleme.
3. YOLOv5: Ultralytics tarafından geliştirilen, önceki versiyonlara kıyasla daha iyi performans ve hız dengesi sunan geliştirilmiş bir YOLO mimarisi.
4. YOLOv6: 2022'de Meituan tarafından yayınlandı ve şirketin birçok otonom teslimat robotunda kullanılıyor.
5. YOLOv7: YOLOv4'ün yazarları tarafından 2022'de yayınlanan güncellenmiş YOLO modelleri. Yalnızca çıkarım desteklenir.
6. YOLOv8: Örnek segmentasyonu, poz/anahtar nokta tahmini ve sınıflandırma gibi gelişmiş özelliklere sahip çok yönlü bir modeldir.
7. YOLOv9: Programlanabilir Gradyan Bilgisi'ni (PGI) uygulayan Ultralytics YOLOv5 kod tabanında eğitilmiş deneysel bir model.
8. YOLOv10: Tsinghua Üniversitesi tarafından geliştirilen, NMS'siz eğitim ve verimlilik-doğruluk odaklı mimariye sahip, son teknoloji performans ve gecikme süresi sunar.
9. YOLO11 🚀 YENİ: Ultralytics'in algılama, segmentasyon, poz tahmini, izleme ve sınıflandırma dahil olmak üzere çeşitli görevlerde en son teknoloji (SOTA) performansı sunan en yeni YOLO modelleri.
10. Segment Anything Model (SAM): Meta'nın orijinal Segment Anything Model'i (SAM).
11. Segment Anything Model 2 (SAM2): Meta'nın videolar ve resimler için Segment Anything Model'inin (SAM) yeni nesli.
12. Mobile Segment Anything Model (MobileSAM): Kyung Hee Üniversitesi tarafından geliştirilen mobil uygulamalar için MobileSAM.
13. Fast Segment Anything Model (FastSAM): Image & Video Analysis Group, Institute of Automation, Chinese Academy of Sciences tarafından geliştirilen FastSAM.
14. YOLO-NAS: YOLO Sinirsel Mimari Arama (NAS) Modelleri.
15. Realtime Detection Transformers (RT-DETR): Baidu'nun PaddlePaddle Gerçek Zamanlı Algılama Transformer (RT-DETR) modelleri.
16. YOLO-World: Tencent AI Lab'den Gerçek Zamanlı Açık Kelime Haznesi Nesne Algılama modelleri.
17. YOLOE: YOLO'nun gerçek zamanlı performansını korurken, eğitim verilerinin ötesinde rastgele sınıfları algılayan geliştirilmiş bir açık kelime dağarcığına sahip nesne dedektörü.

İzle: Ultralytics YOLO modellerini yalnızca birkaç satır kodla çalıştırın.

Başlangıç: Kullanım Örnekleri

Bu örnek, basit YOLO eğitimi ve çıkarım örnekleri sunar. Bunlar ve diğer modlar hakkında tam dokümantasyon için Tahmin, Eğitim, Değerlendirme ve Dışa Aktarma doküman sayfalarına bakın.

Aşağıdaki örneğin, nesne algılama için YOLOv8 Algılama modelleri için olduğunu unutmayın. Ek desteklenen görevler için Segmentasyon, Sınıflandırma ve Poz dokümanlarına bakın.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

Yeni Model Katkısında Bulunma

Modelinizi Ultralytics'e katkıda bulunmak ister misiniz? Harika! Model portföyümüzü genişletmeye her zaman açığız.

1. Depoyu Çatallayın: Ultralytics GitHub deposunu çatallayarak başlayın.

2. Çatalınızı Klonlayın: Çatalınızı yerel makinenize klonlayın ve üzerinde çalışmak için yeni bir dal oluşturun.

3. Modelinizi Uygulayın: Katkıda Bulunma Kılavuzumuzda sağlanan kodlama standartlarına ve yönergelerine uyarak modelinizi ekleyin.

4. Kapsamlı Bir Şekilde Test Edin: Modelinizi hem tek başına hem de ardışık düzenin bir parçası olarak titizlikle test ettiğinizden emin olun.

5. Çekme İsteği Oluşturun: Modelinizden memnun kaldığınızda, inceleme için ana depoya bir çekme isteği oluşturun.

6. Kod İncelemesi ve Birleştirme: İncelemeden sonra, modeliniz kriterlerimizi karşılıyorsa, ana depoya birleştirilecektir.

Ayrıntılı adımlar için Katkıda Bulunma Kılavuzumuza bakın.

SSS

Nesne tespiti için Ultralytics YOLO11 kullanmanın temel avantajları nelerdir?

Ultralytics YOLO11, gerçek zamanlı nesne algılama, örnek segmentasyonu, poz tahmini ve sınıflandırma gibi gelişmiş yetenekler sunar. Optimize edilmiş mimarisi, doğruluktan ödün vermeden yüksek hızlı performans sağlayarak, çeşitli yapay zeka alanlarındaki çeşitli uygulamalar için idealdir. YOLO11, YOLO11 dokümantasyon sayfasında ayrıntılı olarak açıklandığı gibi, geliştirilmiş performans ve ek özelliklerle önceki sürümler üzerine inşa edilmiştir.

Özel veriler üzerinde bir YOLO modelini nasıl eğitebilirim?

Özel veriler üzerinde bir YOLO modelini eğitmek, Ultralytics'in kütüphaneleri kullanılarak kolayca gerçekleştirilebilir. İşte hızlı bir örnek:

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolo11n.pt data='custom_data.yaml' epochs=100 imgsz=640

Daha ayrıntılı talimatlar için Eğitim dokümantasyon sayfasını ziyaret edin.

Ultralytics tarafından hangi YOLO versiyonları desteklenmektedir?

Ultralytics, YOLOv3'ten YOLO11'e kadar YOLO (You Only Look Once) sürümlerinin yanı sıra YOLO-NAS, SAM ve RT-DETR gibi modelleri de kapsamlı bir şekilde destekler. Her sürüm, algılama, segmentasyon ve sınıflandırma gibi çeşitli görevler için optimize edilmiştir. Her model hakkında ayrıntılı bilgi için Ultralytics Tarafından Desteklenen Modeller belgelerine bakın.

Makine öğrenimi projeleri için neden Ultralytics HUB'ı kullanmalıyım?

Ultralytics HUB, YOLO modellerini eğitmek, dağıtmak ve yönetmek için kod gerektirmeyen, uçtan uca bir platform sağlar. Karmaşık iş akışlarını basitleştirerek, kullanıcıların model performansına ve uygulamasına odaklanmasını sağlar. HUB ayrıca bulut eğitim yetenekleri, kapsamlı veri kümesi yönetimi ve hem yeni başlayanlar hem de deneyimli geliştiriciler için kullanıcı dostu arayüzler sunar.

YOLO11 ne tür görevleri gerçekleştirebilir ve diğer YOLO sürümleriyle karşılaştırması nasıldır?

YOLO11, nesne algılama, örnek segmentasyonu, sınıflandırma ve poz tahmini dahil olmak üzere görevleri gerçekleştirebilen çok yönlü bir modeldir. Önceki sürümlere kıyasla YOLO11, optimize edilmiş mimarisi ve ankrajsız tasarımı sayesinde hız ve doğrulukta önemli iyileştirmeler sunar. Daha derin bir karşılaştırma için YOLO11 belgelerine ve belirli görevler hakkında daha fazla ayrıntı için Görev sayfalarına bakın.

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar